[发明专利]一种基于机器视觉的矿用钢丝绳动态探伤检测方法和装置

权利要求书

1.一种基于机器视觉的矿用钢丝绳动态探伤检测方法，其特征在于，包括以下步骤：

步骤S1：在钢丝绳前方架设摄像机，标定摄像机单位像素所代表的实际距离，获取距离标定参数，使钢丝绳匀速移动，通过摄像机连续摄影记录动态运动中的钢丝绳得到视频信号；

步骤S2：对视频信号进行处理，提取运动目标得到钢丝绳特征边缘上各像素点的振动轨迹；

步骤S3：根据钢丝绳特征边缘上各像素点的振动轨迹，得到钢丝绳沿绳长方向分布的位移空间序列矩阵，对该矩阵的各列作离散傅里叶变换，得到结果作为对应钢丝绳上各点的频响函数，根据频响函数的峰值识别出固有频率，并根据各点的频响函数的响应频率的幅值得到钢丝绳的模态振型，最终得到待测钢丝绳的柔度矩阵；其中，模态振型为各像素点的频响函数对应的响应频率的幅值的组合，柔度矩阵的计算公式为：F＝ΦΛ^-1Φ^T，其中F表示柔度矩阵，Φ表示模态振型矩阵，Λ表示固有频率矩阵；

步骤S4：设置BP神经网络，将BP神经网络的输入参量设置为钢丝绳的柔度矩阵，输出量设置为结构损伤单元和破损程度量化值，将每根钢丝绳划分成多个单元，并给每个单元设置多个刚度下降值，得到多种破损钢丝绳的柔度矩阵，作为训练样本进行训练；根据待测钢丝绳的柔度矩阵，利用样本训练后的BP神经网络得到待测钢丝绳的损伤位置和损伤程度；

步骤S5：对经过BP神经网络判断出的损伤位置单元作为ROI区域从整张图像中提取出来并保存成新的钢丝绳损伤初始图像；

步骤S6：依照Retinex原理，对钢丝绳损伤初始图像先进行高通滤波，再进行基于imadjust的灰度变换；然后提取处理后的图像的平滑度R和熵e，利用线性分类器，做出基于纹理特征的表面缺陷判别。

2.根据权利要求1所述的一种基于机器视觉的矿用钢丝绳动态探伤检测方法，其特征在于，所述步骤S2中，对视频信号进行处理的步骤为：

步骤S201：背景模型的建立：利用多帧图像求平均值的方法建立背景模型；

步骤S202：变化区域的检测：将视频序列中连续的两帧图像进行差分处理，确定背景的区域和运动变化的区域；

步骤S203：运动目标检测：对当前帧图像处理，只对变化区域中图像与背景图像做差分来检测运动的物体；

步骤S204：目标边缘识别：通过采用5次多项式拟合边缘灰度变化曲线来提取亚像素精度的边缘点；对一系列图像进行处理获得钢丝绳特征边缘上各像素点在某一时间段的振动轨迹。

3.根据权利要求1所述的一种基于机器视觉的矿用钢丝绳动态探伤检测方法，其特征在于，所述步骤S4中，设置样本训练BP神经网络的训练样本时，将每根钢丝绳划分成8个单元，根据断丝情况的不同，假设其刚度分别下降25％、40％，得到16种程度的破损状况，计算16种破损钢丝绳振动的固有频率和模态振型，取前两阶频率和振型，得到16组值，对其进行GSL变换，将其作为神经网络的训练样本。

4.根据权利要求1所述的一种基于机器视觉的矿用钢丝绳动态探伤检测方法，其特征在于，所述步骤S4中，设置样本训练BP神经网络时，选用Sigmoid函数为激发函数，选用误差信号反向传播算法为训练算法，权值的更新过程公式为：

式中，第一项代表误差平均值的梯度，第二项代表瞬时项，第三项代表随机噪声项，t表示迭代次数，表示第t次迭代的第L层权值，表示delta误差，表示第k个训练样本的第L层的第j个神经元的输出，η表示学习因子，μ表示瞬时常数，表示随机噪声项。

5.根据权利要求1所述的一种基于机器视觉的矿用钢丝绳动态探伤检测方法，其特征在于，所述步骤S6中，平滑度R的计算公式为：R＝1-1/(1+σ²)；熵e的计算公式为：式中，σ表示图像的标准差，计算公式为：L表示灰度级，z_i表示图像区域内各像素点灰度值，m表示平均灰度级，p(z_i)表示图像区域内各像素点灰度值为z_i的概率。